[嵌入式AI从0开始到入土]14_orangepi_aipro小修补含yolov7多线程案例

[嵌入式AI从0开始到入土]嵌入式AI系列教程

注：等我摸完鱼再把链接补上
可以关注我的B站号工具人呵呵的个人空间，后期会考虑出视频教程，务必催更，以防我变身鸽王。

第1期昇腾Altas 200 DK上手
第2期下载昇腾案例并运行
第3期官方模型适配工具使用
第4期炼丹炉的搭建（基于Ubuntu23.04 Desktop）
第5期炼丹炉的搭建（基于wsl2_Ubuntu22.04）
第6期 Ubuntu远程桌面配置
第7期下载yolo源码及样例运行验证
第8期在线Gpu环境训练（基于启智ai协作平台）
第9期转化为昇腾支持的om离线模型
第10期 jupyter lab的使用
第11期 yolov5在昇腾上推理
第12期 yolov5在昇腾上应用
第13期_orangepi aipro开箱测评
第14期 orangepi_aipro小修补含yolov7多线程案例
未完待续…

文章目录

[嵌入式AI从0开始到入土]嵌入式AI系列教程
前言
一、opencv安装
- 1、下载源码
- 2、配置cmake
- 3、编译
- 4、安装
- 5、验证安装
二、torch_npu的安装
- 1、克隆torch_npu代码仓
- 2、构建镜像
- 3、进入Docker容器
- 4、编译torch_npu
- 5、安装
- 6、验证安装
三、sampleYOLOV7MultiInput案例
- 1、环境准备
- 2、下载模型和数据
- 3、转换模型
- 4、编译程序
- 5、运行推理
- 6、查看推理结果
四、问题
- 1、自动休眠问题
- 2、 vnc配置
- 3、dialog: command not found
- 3、apt autoremove
- 4、apt upgrade在firebox卡住
- 5、jupyter lab外部网络访问
- 6、jupyter需要输入密码或者token
- 7、只能调用3个cpu核心
- 8、opencv调用cann后端报错
- - 1、假死
  - 2、opencv/modules/dnn/src/net cann.cp:316: error: (-2:uhspecified error)
  - 3、modules/dnn/src/net_cann.cpp:311: error: (-2:Unspecified error) CANN graph check failed in function ‘compileCannGraph’
- 9、cv2.imshow()报错
总结

前言

注：本文基于orangepi_aipro于2023.2.3公布的ubuntu_desktop镜像
拿到手有段时间了，小问题还是比较的多的，整体上和Atlas 200i DK A2差不多。
emmm，没错，连产品名也套娃了。

说明：本文是作者测试成功并生成完善的镜像后写的，因此截图会比较少，存粹是因为为了一张图需要重走一遍，而一遍需要好几个小时，也可能需要好几遍才能把图凑齐。因此只挑重点截图了。

一、opencv安装

虽然镜像内带了opencv4.5.4，但是opencv应该是从4.7.0开始支持CANN后端的。这里我参考opencv官方github仓库的Wiki，重新编译了支持cann的opencv4.9.0，见文章顶部的资源。
至于为什么要换版本，看下图

使用我提供的资源时，请将其放置于/home/HwHiAiUser目录下，进入/home/HwHiAiUser/opencv4/build目录，执行第四步即可

1、下载源码

wget https://github.com/opencv/opencv/archive/refs/tags/4.9.0.zip
unzip opencv-4.9.0
cd opencv-4.9.0

git clone https://gitee.com/opencv/opencv.git	#也可以直接使用gitee镜像

2、配置cmake

这里是大坑

cd opencv-4.9.0
mkdir build
cd build
cmake -D WITH_CANN=ON\
      -D PYTHON3_EXECUTABLE=/usr/local/miniconda3/bin/python3.9 \
      -D CMAKE_INSTALL_PREFIX=/usr \
      -D BUILD_opencv_python3=ON \
      -D BUILD_opencv_gapi=OFF \
      -D PYTHON3_LIBRARY=/usr/local/miniconda3/lib/libpython3.so \
      -D PYTHON3_INCLUDE_DIR=/usr/local/miniconda3/lib/ \
      -D PYTHON3_NUMPY_INCLUDE_DIRS=/usr/local/miniconda3/lib/python3.9/site-packages/numpy/core/include \
      -D BUILD_TESTS=OFF \
      -D BUILD_PERF_TESTS=OFF \
      ..

如果需要测试案例，把最后两项改为ON
不要更改CMAKE_INSTALL_PREFIX参数，会导致python import或者cmake include报错找不到文件
请确保cmake后生成如下图所示的配置
如非必要，在生成配置后，不要更改opencv文件夹包括内部文件的位置，否则将会导致错误。
如果你的python不是使用的官方镜像miniconda的base环境,需要在配置时修改为自己的路径

3、编译

make -j$(nproc)	#-j$(nproc) 表示使用所有可用的 CPU 核心来并行编译

大家此时大概率会发现cpu利用率卡在75%，无法继续提高，使用htop等工具查看，会发现4核cpu却有一个在摸鱼。请直接看问题区的第7点。
这里一定要在开发板上编译，大约需要2小时左右。如果不编译测试案例大约能节省一半的时间
编译到97%后可能会报错fatal error: Python.h: No such file or directory,实际上这个文件是在的，我尝试过各种方法，不仅没用，还导致从头开始编译。这里我用了一个最简单粗暴的方法，就是把/usr/local/miniconda3/include/python3.9整个文件夹内的东西都复制的到opencv/build文件夹内，完美解决。此处通过sudo apt install python3-dev的方法是无效的

4、安装

#安装C++库
apt list | grep opencv	#看下有没有老版本
sudo make uninstall	#先卸载旧的，如果路径一样的话，否则手动删除目录
sudo make install	
#安装python库
pip list | grep opencv					#查看已经按照的opencv
pip uninstall opencv-python				#卸载掉老版本
pip uninstall opencv-python-headless	#卸载headless版本
cd #回到用户跟目录
vim .bashrc	#添加下面这个环境变量
export PYTHONPATH=/home/HwHiAiUser/opencv-4.9.0/build/python_loader:$PYTHONPATH
source .bashrc
#或者使用pip安装
python3 -m pip install opencv-4.9.0/build/python_loader

5、验证安装

这里我是验证过的，但是有个坑，导致我被误导了3周
新建mobilenetv1.py，执行python3 mobilenetv1.py

import numpy as np
import cv2 as cv

def preprocess(image):
    out = image.copy()

    out = cv.resize(out, (256, 256))
    out = out[16:240, 16:240, :]
    out = cv.dnn.blobFromImage(out, 1.0/255.0, mean=(0.485, 0.456, 0.406), swapRB=True)
    out = out / np.array([0.229, 0.224, 0.225]).reshape(1, -1, 1, 1)

    return out

def softmax(blob, axis=1):
    out = blob.copy().astype(np.float64)

    e_blob = np.exp(out)
    return e_blob / np.sum(e_blob, axis=axis)


image = cv.imread("/path/to/image") # replace with the path to your image
input_blob = preprocess(image)

net = cv.dnn.readNet("/path/to/image_classification_mobilenetv1_2022apr.onnx") # replace with the path to the model
net.setPreferableBackend(cv.dnn.DNN_BACKEND_CANN)
net.setPreferableTarget(cv.dnn.DNN_TARGET_NPU)

net.setInput(input_blob)
out = net.forward()

prob = softmax(out, axis=1)
_, max_prob, _, max_loc = cv.minMaxLoc(prob)
print("cls = {}, score = {:.4f}".format(max_loc[0], max_prob))

或者使用c++版本
CMakeList.txt

cmake_minimum_required(VERSION 3.5.1)
project(cann_demo)

# OpenCV
find_package(OpenCV 4.6.0 REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})

# PP-ResNet50
add_executable(ppresnet50 ppresnet50.cpp)
target_link_libraries(ppresnet50 ${OpenCV_LIBS})

# MobileNetV1
add_executable(mobilenetv1 mobilenetv1.cpp)
target_link_libraries(mobilenetv1 ${OpenCV_LIBS})

# YOLOX
add_executable(yolox yolox.cpp)
target_link_libraries(yolox ${OpenCV_LIBS})

mobilenetv1.cpp

#include <iostream>
#include <vector>

#include "opencv2/opencv.hpp"

void preprocess(const cv::Mat& src, cv::Mat& dst)
{
    src.convertTo(dst, CV_32FC3);

    cv::cvtColor(dst, dst, cv::COLOR_BGR2RGB);
    // center crop
    cv::resize(dst, dst, cv::Size(256, 256));
    cv::Rect roi(16, 16, 224, 224);
    dst = dst(roi);

    dst = cv::dnn::blobFromImage(dst, 1.0/255.0, cv::Size(), cv::Scalar(0.485, 0.456, 0.406));
    cv::divide(dst, cv::Scalar(0.229, 0.224, 0.225), dst);
}

void softmax(const cv::Mat& src, cv::Mat& dst, int axis=1)
{
    using namespace cv::dnn;

    LayerParams lp;
    Net netSoftmax;
    netSoftmax.addLayerToPrev("softmaxLayer", "Softmax", lp);
    netSoftmax.setPreferableBackend(DNN_BACKEND_OPENCV);

    netSoftmax.setInput(src);
    cv::Mat out = netSoftmax.forward();
    out.copyTo(dst);
}

int main(int argc, char** argv)
{
    using namespace cv;

    Mat image = imread("/path/to/image"); // replace with the path to your image
    Mat input_blob;
    preprocess(image, input_blob);

    dnn::Net net = dnn::readNet("/path/to/image_classification_mobilenetv1_2022apr.onnx"); // replace with the path to the model
    net.setPreferableBackend(dnn::DNN_BACKEND_CANN);
    net.setPreferableTarget(dnn::DNN_TARGET_NPU);

    net.setInput(input_blob);
    Mat out = net.forward();

    Mat prob;
    softmax(out, prob, 1);

    double min_val, max_val;
    Point min_loc, max_loc;
    minMaxLoc(prob, &min_val, &max_val, &min_loc, &max_loc);
    std::cout << cv::format("cls = %d, score = %.4f\n", max_loc.x, max_val);

    return 0;
}

二、torch_npu的安装

这里我参考了官方文档
注意，需要提前安装docker

sudo apt install apt-transport-https ca-certificates curl software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"
sudo apt update
sudo apt install docker-ce
sudo systemctl start docker
sudo systemctl enable docker	#设置Docker服务开机自启
sudo docker run hello-world		#验证Docker是否安装成功

1、克隆torch_npu代码仓

git clone https://gitee.com/ascend/pytorch.git -b v2.1.0-5.0.0 --depth 1

2、构建镜像

cd pytorch/ci/docker/{arch} # {arch} for X86 or ARM
docker build -t manylinux-builder:v1 .

3、进入Docker容器

docker run -it -v /{code_path}/pytorch:/home/pytorch manylinux-builder:v1 bash
# {code_path} is the torch_npu source code path

4、编译torch_npu

cd /home/pytorch
bash ci/build.sh --python=3.9

5、安装

pip install ./torch_npu-2.1.0+gitb2bbead-cp39-cp39-linux_aarch64.whl

6、验证安装

终端执行

python

import torch
import torch_npu

x = torch.randn(2, 2).npu()
y = torch.randn(2, 2).npu()
z = x.mm(y)

print(z)

三、sampleYOLOV7MultiInput案例

官方镜像内置的是python案例，缺少c++案例，我们访问仓库，获取案例

git clone https://gitee.com/ascend/samples.git

为了压榨板子，我选取了sampleYOLOV7MultiInput这个案例

1、环境准备

cd sample_master/inference/modelInference/sampleYOLOV7MultiInput
sudo apt install libx11-dev
sudo apt-get install libjsoncpp-dev
sudo ln -s /usr/include/jsoncpp/json/ /usr/include/json
vim src/main.cpp
#添加
#include <fstream>
sudo ln -s /usr/include/opencv4/opencv2 /usr/include/opencv2 #这样就不用去安装指定的opencv版本了

这里readme中说需要安装x264，ffmpeg，opencv(3.x版本)，但是经过我实测，镜像内都已经内置了。

2、下载模型和数据

cd data
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/AE/ATC%20Model/YOLOV3_carColor_sample/data/car0.mp4 --no-check-certificate
cd ../model
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/yolov7x.onnx --no-check-certificate
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/003_Atc_Models/yolov7/aipp.cfg --no-check-certificate

3、转换模型

atc --model=yolov7x.onnx --framework=5 --output=yolov7x --input_shape="images:1,3,640,640"  --soc_version=Ascend310B4  --insert_op_conf=aipp.cfg

此处大约耗时10-15分钟。

4、编译程序

vim scripts/sample_build.sh
#将29行处make修改为以下内容，来使用多线程编译
make -j$(nproc)

sudo bash scripts/sample_build.sh

5、运行推理

bash scripts/sample_run.sh

注意，此处不要使用root用户执行，否则可能会提示找不到libascendcl.so

6、查看推理结果

推理大约需要1分钟，输出的视频在out文件夹，可以下载至本地查看

四、问题

1、自动休眠问题

这个问题仅存在于ubuntu桌面镜像，经过和群友的讨论和测试，在不登陆桌面的情况下大约5分钟会自动休眠，且无法唤醒。
目前解决方案如下，注意，这种方法会直接禁用休眠

sudo systemctl status sleep.target
sudo systemctl mask sleep.target suspend.target hibernate.target hybrid-sleep.target

2、 vnc配置

vncserver
netstat -antup | grep vnc #查看vnc端口
vncserver -kill :3	#我们需要杀掉刚才启动的vnc服务，我这是3，视情况而定
vim .vnc/xstartup
#添加以下内容，否则没有桌面，是黑屏的
startxfce4 &
#修改完成后重新启动vnc
vncserver

在本地使用vncview等工具使用ip:端口的方式访问

3、dialog: command not found

这个错误多在使用apt命令的时候会遇到，在Linux系统中，尝试执行含有该命令的脚本或命令行操作时发生。
解决方案如下

sudo apt install dialog

3、apt autoremove

慎用，经大量测试，会导致卸载netplan.io，这将导致除你当前正在使用的网络外，其余的全部嗝屁。
解决方案

sudo apt-mark hold netplan.io

4、apt upgrade在firebox卡住

这个应该是snap导致的，如果你暂时不需要新版的firebox，使用以下指令跳过升级

sudo apt-mark hold firebox							#升级时保留选定的软件包

当我们需要升级保留的软件包或者指定的软件包时执行

sudo apt-mark unhold firebox						#删除保留设置
sudo apt --only-upgrade install package1 package2	#只升级指定的package

5、jupyter lab外部网络访问

这里使用镜像notebook文件夹内自带的start.sh只能在本地浏览器访问，因此我建议使用命令手动启动jupyter,记得把ip改成开发板的ip，或者将其写入start.sh文件内

jupyter lab --ip 192.168.3.200 --allow-root --no-browser

6、jupyter需要输入密码或者token

这个密码只能说防君子，还使得我们使用变得麻烦，因此我选择直接去掉
执行以下命令，二选一即可

jupyter notebook password	#连续两次回车，密码就变成空白了，直接点登录即可

当然，作为终极懒人，这还是太麻烦了

jupyter lab --generate-config
vim /home/HwHiAiUser/.jupyter/jupyter_lab_config.py
#找到c.ServerApp.token这一行，修改为
c.ServerApp.token = ''

7、只能调用3个cpu核心

若当前环境模型中无AICPU算子，且运行业务时通过npu-smi info -t usages -i 0查询当前AICPU占用率持续为0，则可以配置为0。

su
npu-smi set -t cpu-num-cfg -i 0 -v 0:4:0
npu-smi set -t cpu-num-cfg -i 0 -v 1:3:0	#默认值
reboot	#重启后生效

8、opencv调用cann后端报错

1、假死

如果你是按照我的说明进行的配置，那么运行案例的时候会发现进入了假死状态。注意，这里实际上是在进行模型的转换，内存和CPU占用高是正常的（因为cpu很快，大约1秒就出结果了，因此我将其当成了bug）
实测yolox.py大约需要4分钟。

2、opencv/modules/dnn/src/net cann.cp:316: error: (-2:uhspecified error)

这个是有部分代码没有被合并（如果你是直接拉的主线的话）

vim opencv4/modules/dnn/src/layers/elementwise_layers.cpp

检查这个文件的1893行是否和下图一致

3、modules/dnn/src/net_cann.cpp:311: error: (-2:Unspecified error) CANN graph check failed in function ‘compileCannGraph’

似乎这个报错并不影响结果，这里是因为我们没有把build/python_loader这个文件夹加入环境变量。

也就是在安装那一步，检查下环境变量有没有写错。

9、cv2.imshow()报错

报错信息如下：
window. cpp:1272:(-2:unspecified error)The function is not implemented. Rebuild the library with windows, GTK+ 2.x or cocoa support.

这里使用pip list | grep opencv检查一下opencv是不是安装了headless版本，是的话更换为opencv-python。
缺少依赖，安装libgtk2.0-dev后重新编译安装即可。

sudo apt install libgtk2.0-dev
cd opencv-4.9.0/build
make
sudo make install

总结

不得不说，这个官方镜像小毛病还是挺多的，我已经打包了一份镜像，关注我B站动态获取。

原文链接：https://blog.csdn.net/weixin_44354614/article/details/136114185